當前位置：首頁 > 人工智能 > ChatGpt >内容正文

ChatGpt

【转】AI-900认证考试攻略

發布時間：2023/12/10 ChatGpt 68 豆豆

生活随笔收集整理的這篇文章主要介紹了【转】AI-900认证考试攻略小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

架構師的信仰系列文章，主要介紹我對系統架構的理解，從我的視角描述各種軟件應用系統的架構設計思想和實現思路。

從程序員開始，到架構師一路走來，經歷過太多的系統和應用。做過手機游戲，寫過編程工具；做過大型Web應用系統，寫過公司內部CRM；做過SOA的系統集成，寫過基于Hadoop的大數據工具；做過外包，做過電商，做過團購，做過支付，做過SNS，也做過移動SNS。以前只用Java，然后學了PHP，現在用R和Javascript。最后跳出IT圈，進入金融圈，研發量化交易軟件。

架構設計就是定義一套完整的程序規范，堅持架構師的信仰，做自己想做的東西。

關于作者：

張丹，分析師/程序員/Quant: R,Java,Nodejs
blog:?http://fens.me
email: bsspirit@gmail.com

轉載請注明出處：
http://blog.fens.me/certificate-ai900/

前言

剛考完AZ-900的考試，還在感嘆Azure生態的強大，不管是架構上和還是功能上的。本來想休息一下，現在又有了新的契機，可以繼續完成AI-900的認證課程。雖然AI-900的課程還是屬于入門級的，卻能讓我更多的了解微軟的產品體系和產品規劃的思路，我覺得比實際做具體的代碼開發，或者功能實現更有意義。關于AZ-900的考試詳細介紹，請參考文章AZ-900認證考試攻略。

堅持學習，順利通過考試。

考試契機

學習路徑

復習準備

1. 考試契機

為了參加智子學院的“MCP導師認證計劃”，以微軟認證專家的身份，為企業提供技術咨詢服務。智子學院要求參與者必須在1個自然月內完成AI-900 Azure AI Fundamentals的認證考試，同時智子學陸院免費提供考試券。有了這樣的一個要求，自然地就開始了學習的過程。

客觀地說，微軟的Azure相關技術體系確實龐大，如果沒有深入去學習這些知識，真的無從下手用微軟產品。而且更難得的是，微軟的docs文檔條理清楚，每個技術點都有詳細的介紹，不僅有技術細節，架構的描述，還有從社會意義角度的說明，真是非常有心。讓我學習在過程中，不僅是知識的學習，還有對于產品規劃的認識。

微軟認證體系：

考試完成后，會獲得一份考試能力評估表，來告訴你哪部分做的好，哪部分做的不好。我考試的能力評估表：我考了830分(700通過)，總體來說還是不錯的成績。

最后，就獲得的證書電子版的證書 Microsoft Certified: Azure AI Fundamentals。

2. 學習路徑

Microsoft Certified: Azure AI Fundamentals ，AI-900認證考試是Azure AI的基礎使用的認證，包括機器學習和深度學習等智能算法，在結構化數據、圖片、文字和語音的應用，主要涉及5大部分內容。

描述 AI 工作負荷和注意事項
描述 Azure 上機器學習的基本原理
描述 Azure 上的計算機視覺工作負荷的功能
描述 Azure上自然語言處理（NLP）工作負荷的特性
描述 Azure 上的對話式 AI 工作負荷的功能

微軟docs上，給出了AI-900完整的學習路徑，https://docs.microsoft.com/zh-cn/learn/certifications/azure-ai-fundamentals

學習大綱
第一部分：描述 AI 工作負荷和注意事項
人工智能 (AI) 為令人驚異的新的解決方案和體驗賦能，Microsoft Azure 提供了易用的服務來幫助你入門。

1.1 Azure 上的 AI 入門

第二部分：描述 Azure 上機器學習的基本原理
機器學習是人工智能的核心，很多新式應用程序和服務都依賴于預測機器學習模型。了解如何使用 Azure 機器學習在不編寫代碼的情況下創建和發布模型。

2.1 使用 Azure 機器學習中的自動化機器學習
2.2 使用 Azure 機器學習設計器創建回歸模型
2.3 使用 Azure 機器學習設計器創建分類模型
2.4 使用 Azure 機器學習設計器創建聚類分析模型

第三部分：描述 Azure 上的計算機視覺工作負荷的功能
計算機視覺是人工智能 (AI) 的一個領域，在該領域中，軟件系統旨在通過攝像頭、圖像和視頻以可視方式感知這個世界。 AI 工程師和數據科學家可以通過混合使用自定義機器學習模型和平臺即服務 (PaaS) 解決方案（包括 Microsoft Azure 中的眾多認知服務），來解決多種特定類型的計算機視覺問題。

3.1 使用計算機視覺服務分析圖像
3.2 使用自定義視覺服務對圖像進行分類
3.3 使用自定義視覺服務檢測圖像中的對象
3.4 使用人臉服務檢測和分析人臉
3.5 使用計算機視覺服務讀取文本
3.6 利用“表單識別器”服務分析收據

第四部分：描述 Azure上自然語言處理（NLP）工作負荷的功能
自然語言處理功能支持能看到用戶、聽到用戶的聲音、與用戶交談和理解用戶的意圖的應用程序。憑借文本分析、翻譯和語言理解服務，Microsoft Azure 讓你能夠輕松構建支持自然語言的應用程序。

4.1 使用文本分析服務分析文本
4.2 識別和合成語音
4.3 翻譯文本和語音
4.4 使用“語言理解”創建語言模型

第五部分：描述 Azure 上的對話式 AI 工作負荷的功能
對話式 AI 是一種人工智能工作負載，它可處理 AI 代理與人類用戶之間的對話。

5.1 使用 QnA Maker 和 Azure 機器人服務構建機器人

學習的內容很有意思，與我目前的工作有大量的交集。我們在用R語言進行獨立開發和實現的，也可以通過本次的學習，看看如果能利用微軟的產品，來完成復雜的機器學習的任務。

3. 復習準備

雖然，微軟docs已經有了完整的學習大綱，真學起來還是要花點時間的，重點就在于名詞解釋。沒想到在Azure AI里體系里，定義這么多的產品和新名詞。雖然我已經用過了各種云的服務和產品，但對于全面的AI產品也并不是太了解，所以借著這次考認證，正好是全面的學習。

Azure機器學習算法備忘單，用于Azure的機器學習設計器，Azure 機器學習包含來自分類、推薦系統、聚類、異常檢測、回歸和文本分析系列的大型算法庫。每個都旨在解決不同類型的機器學習問題。

轉存失敗重新上傳取消

3.1 名字解釋
下面開始，名詞解釋：

Azure Machine Learning designer，Azure機器學習設計器使您可以在交互式畫布上直觀地連接數據集和模塊，以創建機器學習模型。

Resource: Pipelines，Datasets，Compute resources，Registered models，Published pipelines，Real-time endpoints

可以使用的云資源：計算實例：數據科學家可用于處理數據和模型的開發工作站。計算群集：用于按需處理試驗代碼的可擴展虛擬機群集。推理群集：使用已訓練模型的預測服務的部署目標。

Computer Vision?:基于云的Computer Vision API使開發人員可以訪問用于處理圖像和返回信息的高級算法。通過上傳圖像或指定圖像URL，Microsoft Computer Vision算法可以根據輸入和用戶選擇以不同方式分析視覺內容。通過快速入門，教程和示例，學習如何以不同的方式分析視覺內容。

Azure Custom Vision用戶自定義圖像識別服務，可讓您構建，部署和改進自己的圖像標識符。圖像標識符根據圖像的視覺特征將標簽（代表類或對象）應用于圖像。與Computer Vision服務不同，Custom Vision允許您指定標簽并訓練自定義模型以檢測它們。

Facial recognition: 將面部識別功能嵌入到您的應用中，以提供無縫且高度安全的用戶體驗。不需要機器學習專業知識。功能包括：人臉檢測，可感知圖像中的人臉和屬性；與您最多100萬人的私人存儲庫中的個人匹配的個人標識；感知到的情感識別，可以檢測到各種面部表情，例如幸福，輕蔑，中立和恐懼；以及圖像中相似面孔的識別和分組。

Optical Character recognition(OCR): 光學字符識別，該功能可從圖像中提取打印或手寫的文本。您可以從圖像中提取文本，例如車牌照片或帶有序列號的容器，以及文檔（發票，賬單，財務報告，物品等）中的文本。

Object detection?: 對象檢測類似于標記，但是API返回找到的每個對象的邊界框坐標（以像素為單位）。例如，如果圖像包含狗，貓和人，則“檢測”操作將列出這些對象及其在圖像中的坐標。您可以使用此功能來處理圖像中對象之間的關系。它還使您可以確定圖像中是否存在同一標簽的多個實例。

Text Analytics:一種AI服務，可在非結構化文本中發現洞察力，例如情感，實體和關鍵短語

Natural Language Processing(NLP):自然語言處理（NLP）用于執行諸如情感分析，主題檢測，語言檢測，關鍵詞提取和文檔分類之類的任務。NLP可用于對文檔進行分類，例如將文檔標記為敏感或垃圾郵件。 NLP的輸出可用于后續處理或搜索。 NLP的另一個用途是通過識別文檔中存在的實體來匯總文本。這些實體還可以用于用關鍵字標記文檔，從而可以基于內容進行搜索和檢索。實體可以合并為主題，摘要描述每個文檔中存在的重要主題。檢測到的主題可以用于對文檔進行分類以進行導航，或者在給定所選主題的情況下枚舉相關文檔。 NLP的另一種用途是對文本進行情感評分，以評估文檔的正面或負面基調。

Key phrase extraction?: 關鍵短語提取技能可評估非結構化文本，并為每條記錄返回關鍵短語列表。

Named Entity Recognition(NER): 命名實體識別（NER）是在文本中標識不同實體并將其分類為預定義類或類型的能力，例如：人員，位置，事件，產品和組織。

Sentiment Analysis：情感分析功能，可評估文本并返回每個句子的情感分數和標簽。這對于檢測社交媒體，客戶評論，論壇等中的正面和負面情緒很有用。

Translator:轉換器是基于云的機器翻譯服務，并且是用于構建智能應用程序的Azure認知服務認知API系列的一部分。轉換器易于集成到您的應用程序，網站，工具和解決方案中。它使您可以添加70多種語言的多語言用戶體驗，并且可以在具有任何操作系統的任何硬件平臺上用于文本翻譯。

Language Detection：語言檢測技能可檢測輸入文本的語言，并針對請求提交的每個文檔報告一個語言代碼。語言代碼與指示分析強度的分數配對。

Speech recognition and speech synthesis:語音識別和合成樣本，語音識別確實是一種令人稱奇的人類能力，尤其是當您認為正常對話需要每秒識別10到15個音素時。事實證明，嘗試制造機器（計算機）識別系統很困難。另一方面，各種語音合成系統已經使用了一段時間。盡管功能有限且通常缺乏人類語音的自然質量，但這些系統現在已成為我們生活中的常見組成部分。

Classification?: 分類，是一種機器學習方法，它使用數據來確定項目或數據行的類別，類型或類別。例如，您可以使用分類來：將電子郵件過濾器分類為垃圾郵件，垃圾郵件或良品。確定患者的實驗室樣本是否癌變。根據客戶對銷售活動的響應傾向對其進行分類，確定情緒是正面還是負面。

Regression?: 回歸，是一種廣泛用于從工程到教育的領域的方法。例如，您可以使用回歸來基于區域數據來預測房屋的價值，或者創建有關未來入學人數的預測。

Clustering: 聚類，是一種將數據點分組為相似聚類的方法。

Cross-Validate Model: 交叉驗證模型模塊將帶有標簽的數據集以及未經訓練的分類或回歸模型作為輸入。它將數據集劃分為一定數量的子集（折疊），在每個折疊上構建模型，然后為每個折疊返回一組準確性統計信息。通過比較所有折痕的準確性統計信息，您可以解釋數據集的質量并了解模型是否易受數據變化的影響。

Anomaly Detection: 異常檢測，包含機器學習中的許多重要任務：確定潛在的欺詐交易。指示已發生網絡入侵的學習模式。尋找異常患者群。檢查輸入到系統中的值。根據定義，異常是罕見事件，因此很難收集代表性的數據樣本用于建模,可通過使用不平衡的數據集來解決構建和訓練模型的核心挑戰。

QnA Makter?:QnA Maker。該認知服務支持創建和發布具有內置自然語言處理功能的知識庫。可輕松在您的數據上創建自然的對話層。它可用于從您的自定義知識庫（KB）信息中為任何給定的自然語言輸入找到最合適的答案。使用此認知服務，你可以快速構建一個可以問答知識庫，用它構成用戶和 AI 代理之間對話的基礎。

Azure Bot Service: 專為機器人開發而構建的托管服務
Conversation AI: 會話式AI是計算中的下一個用戶界面（UI）浪潮。我們已經從必須學習和適應計算機的世界演變為現在正在學習如何理解和與我們互動的計算機。與計算機的自然交互從語言，語音和語義理解開始，并通過支持豐富的多模型交互而繼續。

Language Understand (LUIS), 語言理解（LUIS）是基于云的對話式AI服務，將定制的機器學習智能應用于用戶的對話式自然語言文本，以預測整體含義并提取相關的詳細信息。LUIS的客戶端應用程序是任何以自然語言與用戶通信以完成任務的會話應用程序。客戶端應用程序的示例包括社交媒體應用程序，AI聊天機器人和啟用語音的桌面應用程序。

Text Analytics一種AI服務，可在非結構化文本中發現洞察力，例如情感，實體和關鍵短語。

Ink Recognizer: 一種AI服務，可識別數字墨水內容，例如手寫，形狀和墨水文檔布局。

Form Recognizer: 由AI驅動的文檔提取服務可以理解您的表格。

Cortana： Cortana是Microsoft的個人生產力助手，可以幫助您節省時間并將精力集中在最重要的事情上。

Principles for Responsible AI：指導AI開發和使用的六項原則：公平性，可靠性和安全性，隱私性和安全性，包容性，透明度和問責制。

Fairness: 公平性，人工智能系統應公平對待每個人，并避免以不同方式影響處境相似的人群。例如，假設你創建了一個機器學習模型來為銀行的貸款審批應用程序提供支持。該模型應在不考慮任何基于性別、種族或其他因素的偏見的情況下，對是否應批準貸款做出預測，這些偏見可能導致特定的申請人群遭受不公平的差別待遇。
Reliability and safety：可靠性和保障性，AI 系統應可靠且安全地運行。例如，大家思考一下基于 AI 的自動駕駛軟件系統，或診斷患者癥狀并推薦處方的機器學習模型這些案例。這些系統一旦出現不可靠性，就可能會給生命安全帶來重大風險。
Privacy and security：隱私性和安全性，AI 系統應該保護并尊重隱私。 AI 系統所基于的機器學習模型依賴于大量數據，這些數據可能包含必須保密的個人詳細信息。即使對模型進行了訓練且系統已投入生產，它仍可能在使用新數據進行預測或采取行動時侵犯隱私或安全。
Inclusiveness，包容性，包容性設計實踐可以幫助系統開發人員理解和解決產品環境中可能無意排除人員的潛在障礙。 AI 系統應該成為人們的有力助手，并與人互動。 AI 應不分身體能力、性別、性取向、種族或其他因素，造福社會各個階層。
Transparency，透明度，透明度的關鍵部分是我們所說的可理解性，即對AI系統及其組件的行為的有用解釋。要提高清晰度，就要求利益相關者理解其工作方式和原因，以便識別潛在的性能問題，安全和隱私問題，偏見，排他性做法或意想不到的結果。AI 系統應該是可理解的。應讓用戶能充分了解系統的用途、工作方式以及局限性。
Accountability，問責制，設計和部署AI系統的人員必須對其系統的運行方式負責。組織應借鑒行業標準來制定問責制規范。應有相關人員對 AI 系統負責。設計和開發基于 AI 的解決方案的人員應在管理和組織原則的框架內工作，以確保解決方案符合定義明確的道德和法律標準。

Azure Kubernetes Service (AKS)：Azure Kubernetes服務（AKS）使在Azure中部署托管Kubernetes群集變得簡單。 AKS通過將大部分責任轉移給Azure來降低管理Kubernetes的復雜性和運營開銷。作為托管的Kubernetes服務，Azure可為您處理關鍵任務，例如運行狀況監視和維護。 Kubernetes母版由Azure管理。您僅管理和維護代理節點。實時節點必須部署在AKS集群上。

3.2 模擬考試

整理完上面的名詞解釋，準備工作就算到位了，最后就是找份模擬題練練手。由于AI-900的認證考試是近期剛推出的，所以網上沒有太多的復習資料，也沒有什么攻略。

我發現的免費模擬題只有CertBolt網站上提供了，可以用?CertBolt Microsoft AI-900?模擬題庫，共有55道題目。另外，在qubits42網站上有20模擬題，鏈接已經不能訪問了。我整理成了AI模擬題PDF文件供大家下載，練習一下也就夠用了。

畢竟是初級認證，考試都是基礎知識，按照微軟的文檔進行復習準備，大概率都是可以通過的，本文的目的也是幫助大家準備考試，做到心中有底。

3.3 現場考試

最后，就是按照約好的時間，去考試中心完成考試，要帶2種證明身份的證件。進到考場后，包要存起來，不能帶任何東西，不能吃東西，不能喝水，不能與其他人說話等等，可以提前交卷。交卷后，找工作人員，拿到考試評估單，就可以回家慶祝了。與AZ-900的現場考試流程一樣，大家可以參考文章AZ-900認證考試攻略。

本文主要是記錄一下考試的前后經歷，對于IT的小伙伴們，考個認證系統地學習知識，還是很有用的。未來的成就，都是之前的積累，爆發就在未來的某個瞬間。祝大家考試順利！

剛剛又獲得一張免費考試券，下一個要考啥呢！微軟會一直從知識上面鞭策我們學習。